视觉系统的应用总体上较为广泛，但是现在实际能用上的确实是不太够。机器视觉非常重要，但是目前更多的是聚集在硬件数据采集和定位研究，本书更多的是聚焦于软件设计，特别是模式识别方面，系统地阐述了机器视觉的工作原理、分析方法、技术和应用，对MATLAB在图像视频处理的特点以及基本知识进行了阐述，从图形绘制层层深入MATLAB的二维和三维图像绘制功能，并介绍了科学计算可视化的相关知识；详细介绍了机器视觉的发展与当前技术的关键点，以及图像表示和描述、图像分割、增强、融合与模式识别等方面的知识，并给出机器视觉处理应用的实例。本书融入了编者多年从事视频处理的科研成果，在阐述基本理论的同时，辅以MATLAB源程序，加上详细注释，便于读者学习。

第1章 机器视觉技术基础
1.1 数字图像处理的基本概念
1.1.1 数字图像的概念
1.1.2 数字图像的表示
1.1.3 图像的空间分辨率和灰度级分辨率
1.2 图像识别与机器视觉
1.2.1 图像识别
1.2.2 机器视觉
1.3 数字图像处理基础知识
1.3.1 数字图像处理的基本概念
1.3.2 距离度量
1.4 图像的读写与显示
1.4.1 MATLAB中的图像类型
1.4.2 图像的读取与显示
1.4.3 图像类型转换
1.5 图像的运算
1.5.1 图像的代数运算
1.5.2 图像的几何运算
1.5.3 图像的点运算
1.6 邻域与块运算
1.6.1 图像的邻域运算
1.6.2 图像的块运算
1.7 小结
第2章 图像变换
2.1 二维离散傅里叶变换
2.1.1 二维离散傅里叶变换的原理
2.1.2 二维离散傅里叶变换的性质
2.1.3 MATLAB中的二维傅里叶变换函数
2.2 二维离散小波变换
2.2.1 二维离散小波变换的原理
2.2.2 MATLAB中的二维离散小波变换函数
2.3 二维离散余弦变换
2.3.1 二维离散余弦变换的定义
2.3.2 MATLAB中的二维离散余弦变换函数
2.4 Radon变换
2.4.1 Radon变换与 Radon逆变换的原理
2.4.2 MATLAB中的 Radon 变换函数
2.5 Hough 变换
2.5.1 Hough变换的原理
2.5.2 MATLAB中的 Hough变换函数
2.6 小结”
第3章 图像增强
3.1 线性滤波增强
3.1.1 卷积算子
3.1.2 相关算子
3. 1.3线性滤波的MATLAB实现
3.1.4 使用预定义的滤波器对图像滤波
3.2 空域滤波增强
3.2.1 图像噪声的类型
3.2.2 中值滤波器
3.2.3 自适应滤波器
3.3 频域滤波增强
3.3.1 低通滤波
3.3.2 高通滤波
3.3.3 同态滤波
3.4 彩色增强
3.4.1 真彩色增强
3.4.2 伪彩色增强
3.5 小结
第4章 边缘检测和图像分割
4.1 边缘检测和图像分割原理
4.1.1 边缘检测原理
4.1.2 图像分割原理
4.2 边缘检测
4.2.1 边缘检测算子
4.2.2 边缘检测的MATLAB实现
4.3 图像分割
4.3.1 阚值分割算法
4.3.2 分水岭算法
4.3.3 区域生长算法
4.3.4 区城分裂合并算法
4.4 小结
第5章 图像的形态学处理
5.1 形态学基本概念
5.2 形态学基本运算
5.2.1 膨胀
5.2.2 腐蚀
5.2.3 开运算和闭运算
5.3 击中/击不中变换
5.3.1 击中/击不中变换的原理
5.3.2 击中/击不中变换的MATLAB实现
5.4 形态学在图像处理中的应用
5.4.1 图像细化和骨化
5.4.2 图像边界提取
5.4.3 区域填充
5.4.4 噪声去除
5.5 小结
第6章 图像压缩技术
6.1 图像压缩基础
6.1.1 图像数据的冗余
6.1.2 图像压缩方法的分类
6.1.3 图像压缩方法的评价
6.2 无损压缩技术
6.2.1 游程编码
6.2.2 霍夫曼编码
6.2.3 香农编码
6.2.4 算术编码
6.8 有糊压缩技术
6.3.1 预洲编码
6.3.2 变换编码
6.4 基于JPEG的图像压缩
6.5 小结12711
第7章 图像复原
7.1 |图像复原的理论模型
7.1.1 图像退化的原因
7.1.2 图像退化/复原模型
7.1.3 图像模糊化
7.2 逆滤波复原
7.2.1 逆滤波的原理
7.2.2 逆滤波的MATLAB实现
7.3 维纳滤波复原
7.3.1 维纳滤波的原理
7.3.2 维纳滤波器的传递函数
7.3.3 维纳滤波的MATLAB实现
7.4 有约束最小二乘方滤波复原
7.5 Lucy-Richardson洮波复原
7.5.1 Lucy-Richardson 洮波的原理
7.5.2 Lucy-Richardson滤波的MATLAB实现
7.6 小结
第8章 神经网络
8.1 人工神经网络简介
8.1.1 人工神经元
8.1.2 激活函数
8.2 人工神经网络模型
8.2.1 BP神经网络
8.2.2 Elman神经网络
8.2.3 竞争学习神经网络
8.3 基于BP神经网络的印刷体数字识别系统
8.3.1 BP神经网络分类器结构设计
8.3.2 BP神经网络参数调整方法
8.3.3 实现步骤
8.4 小结
第9章 卷积神经网络
9.1 卷积神经网络简史及应用
9.1.1 卷积神经网络的发展历史
9.1.2 卷积神经网络的应用
9.2 卷积神经网络的原理
9.2.1 卷积的数学意义
9.2.2 卷积神经网络的结构
9.3 经典的 CNN 模型
9.3.1 LeNet-5模型
9.3.2 AlexNet 模型
9.3.3 VGGNet模型
9.3.5 GoogLeNet 模型
9.3.6 ResNet模型
9.4 基于深度学习的手写数字识别的MATLAB实现
9.4.1 模型设计
9.4.2 数据选择
9.4.3 界面设计
9.4.4 模型训练和评测
9.5 小结
第10章 循环神经网络
10.1 循环神经网络发展历史及应用
10.1.1 循环神经网络的发